A disruption prediction algorithm, called disruption prediction using random forests (DPRF), has run in real-time in the DIII-D plasma control system (PCS) for more than 900 discharges. DPRF naturally provides a probability mapping associated with its predictions, i.e. the disruptivity signal, now incorporated in the DIII-D PCS. This paper discusses disruption prediction accomplishments in terms of shot-by-shot performances, by simulating alarms on each discharge as in the PCS framework. Depending on the optimised performance metric chosen to evaluate DPRF, we find that almost all disruptive discharges are detected on average with a few hundred milliseconds of warning time, but this comes at a high cost of false alarms produced. Performances do not satisfy ITER requirements, where the success rate has to be higher than 95%, but this is not completely unexpected. DPRF is trained on many years of major disruptions occurring during the flattop phase of the plasma current in DIII-D, but without any differentiation by cause. Furthermore, we find that DPRF is affected by a relatively high fraction of false alarms occurring during the first 500 milliseconds from the flattop onset. This subtle effect, more evident on discharges where DPRF is run in real-time, can be marginalised by taking specific precautions on the validity range of the predictions, and performances do improve. Even if presently burdened by some limitations, DPRF provides an incredible and novel advantage. Thanks to the feature contribution analysis (e.g. the identification of which signals contributed to triggering an alarm), it is possible to interpret and explain DPRF predictions. It is the first time that such interpretability features are exploited by a disruption predictor: by uncovering the causes of the disruption events, a better understanding of disruption dynamics is achieved, and a clear path toward the design of disruption avoidance strategies can be provided.
乱流予測アルゴリズムであるランダムフォレストを用いた乱流予測（DPRF）が、DIII-Dプラズマ制御システム（PCS）において900回以上の放電でリアルタイムに実行されてきた。DPRFは、その予測に関連する確率マッピング、すなわち乱流度シグナルを自然に提供し、これは現在DIII-D PCSに組み込まれている。本論文では、PCSフレームワークと同様に各放電でアラームをシミュレートすることにより、ショットごとの性能評価に基づく乱流予測の成果について議論する。DPRFを評価するために選択された最適化された性能指標に応じて、ほぼすべての乱流放電が平均して数百ミリ秒の警告時間で検出されるが、これには誤警報の発生という高いコストが伴う。これらの性能は、成功率が95%以上でなければならないITERの要件を満たしていないが、これは完全に予想外というわけではない。DPRFは、DIII-Dにおけるプラズマ電流のフラットトップ相中に発生した長年にわたる主要な乱流事象に基づいて訓練されているが、原因による区別は行われていない。さらに、DPRFはフラットトップ開始から最初の500ミリ秒間に比較的高い割合の誤警報の影響を受けることがわかった。この微妙な影響は、DPRFがリアルタイムで実行される放電においてより顕著であり、予測範囲の有効性に関する特定の注意事項を適用することで軽減でき、性能は実際に向上する。現在のところいくつかの制限はあるものの、DPRFは顕著で新規な利点を提供する。特徴量寄与分析（例えば、どのシグナルがアラーム発動に寄与したかの特定）により、DPRFの予測を解釈し説明することが可能となる。このような解釈可能性の特徴が乱流予測器によって活用されるのは今回が初めてであり、これにより乱流事象の原因を明らかにすることで、乱流ダイナミクスのより深い理解が達成され、乱流回避戦略の設計への明確な道筋が提供される。